MissingIndicator

classsklearn.impute.MissingIndicator(*, missing_values=nan, features='missing-only', sparse='auto', error_on_new=True)[source]

Двоичные индикаторы для пропущенных значений.

Обратите внимание, что этот компонент обычно не следует использовать в обычном Pipeline, состоящем из преобразователей и классификатора, но его можно добавить с помощью FeatureUnion или ColumnTransformer.

Дополнительные сведения см. в Руководстве пользователя.

Добавлен в версии 0.20.

Параметры:

missing_valuesint, float, str, np.nan или None, по умолчанию=np.nan

Заполнитель для пропущенных значений. Все вхождения missing_values будут импутированы. Для фреймов данных pandas с типом данных nullable integer и пропущенными значениями missing_values следует установить на np.nan, поскольку pd.NA будет преобразовано в np.nan.

features{‘missing-only’, ‘all’}, по умолчанию=’missing-only’

Определяет, должен ли массив индикаторов представлять все или подмножество признаков.

• Если 'missing-only' (по умолчанию), массив индикаторов будет представлять только признаки, содержащие пропущенные значения во время выполнения fit.
• Если 'all', массив индикаторов будет представлять все признаки.

sparsebool или ‘auto’, по умолчанию=’auto’

Определяет, должен ли формат массива индикаторов быть разреженным или плотным.

• Если 'auto' (по умолчанию), массив индикаторов будет иметь тот же тип, что и входные данные.
• Если True, массив индикаторов будет разреженной матрицей.
• Если False, массив индикаторов будет массивом NumPy.

error_on_newbool, по умолчанию=True

Если True, transform будет вызывать ошибку, если существуют признаки с пропущенными значениями, которые не имеют пропущенных значений в fit. Это применимо только когда features='missing-only'.

Атрибуты:

features_массив с формой (n_missing_features,) или (n_features,)

Индексы признаков, которые будут возвращены при вызове transform. Они вычисляются во время fit. Если features='all', features_ равно range(n_features).

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив с формой (n_features_in_,)

Имена признаков, увиденные во время fit. Определяются только тогда, когда X имеют имена признаков, которые являются строками.

Добавлен в версии 1.0.

См. также

SimpleImputer

Унивариатная импутация пропущенных значений.

IterativeImputer

Мультивариатная импутация пропущенных значений.

Примеры

>>> import numpy as np
>>> from sklearn.impute import MissingIndicator
>>> X1 = np.array([[np.nan, 1, 3],
...                [4, 0, np.nan],
...                [8, 1, 0]])
>>> X2 = np.array([[5, 1, np.nan],
...                [np.nan, 2, 3],
...                [2, 4, 0]])
>>> indicator = MissingIndicator()
>>> indicator.fit(X1)
MissingIndicator()
>>> X2_tr = indicator.transform(X2)
>>> X2_tr
array([[False,  True],
       [ True, False],
       [False, False]])

fit(X, y=None)[source]

Обучить преобразователь на X.

Параметры:

X{array-like, sparse matrix} с формой (n_samples, n_features)

Входные данные, где n_samples — количество выборок, а n_features — количество признаков.

yИгнорируется

Не используется, присутствует для согласованности API по умолчанию.

Возвращает:

selfобъект

Обученная модель.

fit_transform(X, y=None)[source]

Генерировать индикатор пропущенных значений для X.

Параметры:

X{array-like, sparse matrix} с формой (n_samples, n_features)

Входные данные для заполнения.

yИгнорируется

Не используется, присутствует для согласованности API по умолчанию.

Возвращает:

Xt{ndarray, sparse matrix} с формой (n_samples, n_features) или (n_samples, n_features_with_missing)

Индикатор пропущенных значений для входных данных. Тип данных Xt будет булевым.

get_feature_names_out(input_features=None)[source]

Получить имена выходных признаков для преобразования.

Параметры:

input_featuresarray-like из str или None, по умолчанию=None

Входные признаки.

• Если input_features равно None, то feature_names_in_ используется как имена признаков в. Если feature_names_in_ не определено, то генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является array-like, то input_features должно совпадать с feature_names_in_, если feature_names_in_ определено.

Возвращает:

feature_names_outмассив объектов str

Имена преобразованных признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

А MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output для примера использования API.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

• "default": Формат вывода по умолчанию для преобразователя
• "pandas": Вывод в формате DataFrame
• "polars": Вывод в формате Polars
• None: Настройка преобразования не изменяется

Добавлен в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает с простыми оценщиками, а также со вложенными объектами (такими как Pipeline). Последние имеют параметры в форме <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Генерирует индикатор пропущенных значений для X.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Входные данные для дополнения.

Возвращает:

Xt{ndarray, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_features_with_missing)

Индикатор пропущенных значений для входных данных. Тип данных Xt будет булевым.